Le suivi des mouvements de la souris d'ordinateur – ou mouse-tracking – permet d'étudier, de façon fine, les processus décisionnels dans certains types de tâches informatisées. Le mouse-tracking est ainsi de plus en plus utilisé pour tester l'influence conjointe des composantes sensorimotrices, individuelles et sociales sur la prise de décision, et ce dans une perspective de cognition sociale située. Les logiciels de mouse-tracking actuellement disponibles capturent des données spatiotemporelles pour chaque essai, représentées comme une séquence de points (dont le nombre dépend du logiciel). Ces données discrètes permettent de calculer des indicateurs géométriques résumés (e.g., aire sous la courbe) qui sont analysés via des analyses de variance ou, plus rarement, des modèles linéaires mixtes. Egalement, afin d'étudier l'évolution temporelle des décisions, les données brutes de mouse-tracking sont généralement moyennées dans de larges intervalles de temps, ce qui résulte en une perte d'information importante. Ainsi, les indicateurs transformés de mouse-tracking actuellement disponibles font perdre la nature fonctionnelle des données brutes, c'est-à-dire des données qui reflètent le mouvement continu de la main guidant la souris. Afin de pallier à cette perte d'information, due à l'échantillonnage du mouvement en une série de points, nous proposons de projeter les trajectoires brutes sur une base fonctionnelle (par exemple des B-splines). Cette projection, bien qu'une simplification, présente néanmoins l'avantage de maintenir la continuité spatio-temporelle des données brutes, produisant ainsi des données multi-dimensionnelles analysables avec, en particulier, des modèles à effets mixtes. Nous illustrons l'intérêt de l'utilisation d'une projection sur une base fonctionnelle sur des données mouse-tracking propres à la cognition sociale puisque issues de deux études s'intéressant à la catégorisation sociale basée sur les stéréotypes de genre d'une part, et sur l'origine ethnique d'autre part. La particularité de ces études est d'avoir été en partie réalisées auprès d'enfants très jeunes (de maternelle), qui produisent des données brutes particulièrement chaotiques du point de vue des trajectoires. Les résultats montrent que la nouvelle méthode proposée est robuste à différentes sources de variabilité et problèmes statistiques, qui ne peuvent réellement être traités avec les méthodes classiques.